基于卷积神经网络的人脸识别研究与实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 常见人脸识别方法 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文主要研究内容及组织结构 | 第14-16页 |
| 第二章 卷积神经网络理论 | 第16-31页 |
| 2.1 卷积神经网络的基本结构 | 第16-20页 |
| 2.1.1 卷积层 | 第17-18页 |
| 2.1.2 池化层 | 第18-19页 |
| 2.1.3 全连接层与SoftMax层 | 第19-20页 |
| 2.2 卷积神经网络的特点 | 第20-21页 |
| 2.2.1 局部连接 | 第20-21页 |
| 2.2.2 权值共享 | 第21页 |
| 2.3 常见的激活函数 | 第21-24页 |
| 2.4 卷积神经网络的训练过程 | 第24-29页 |
| 2.4.1 正向传播 | 第25-27页 |
| 2.4.2 反向传播 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于卷积神经网络的人脸识别算法 | 第31-52页 |
| 3.1 Caffe框架介绍 | 第31-35页 |
| 3.1.1 Caffe的特点 | 第31页 |
| 3.1.2 Caffe的数据结构 | 第31-32页 |
| 3.1.3 Caffe安装步骤 | 第32-35页 |
| 3.2 实验数据集 | 第35-37页 |
| 3.2.1 CASIA-WebFace | 第35页 |
| 3.2.2 数据预处理 | 第35-37页 |
| 3.3 基于浅层卷积神经网络的人脸识别 | 第37-45页 |
| 3.3.1 AlexNet网络结构与分析 | 第37-39页 |
| 3.3.2 改进AlexNet的模型训练 | 第39-42页 |
| 3.3.3 实验结果分析 | 第42-45页 |
| 3.4 基于深层卷积神经网络的人脸识别 | 第45-51页 |
| 3.4.1 VGGNet网络结构与分析 | 第45-48页 |
| 3.4.2 改进VGGNet的模型训练 | 第48-50页 |
| 3.4.3 实验验证与分析 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 人脸识别系统设计与实现 | 第52-69页 |
| 4.1 系统开发环境 | 第52-53页 |
| 4.2 系统整体框架 | 第53-63页 |
| 4.2.1 人脸检测 | 第54-58页 |
| 4.2.2 特征提取 | 第58-60页 |
| 4.2.3 人脸特征匹配 | 第60-61页 |
| 4.2.4 静态图片比对 | 第61-62页 |
| 4.2.5 实时人脸识别 | 第62-63页 |
| 4.3 系统测试 | 第63-68页 |
| 4.3.1 系统模块测试 | 第63-66页 |
| 4.3.2 系统性能测试 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 本文总结 | 第69页 |
| 5.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间所取得的研究成果 | 第77-78页 |
| 致谢 | 第78-79页 |
